本文介绍了一种基于 Graph Neural Networks 和注意力机制的多代理路径规划算法，在实验中表现良好，即使在非常大规模的情况下也能取得比基准模型高 47％的成功率。

Nov, 2020

基于多尺度时空图神经网络（MSGNN），利用传输区域疫情信号并将其整合到多尺度的图形中，通过新设计的图卷积模块挖掘多尺度的疫情模式，实现了新冠肺炎在美国新增病例的准确预测，该方法优于现有技术，并提供了稳定和可解释的预测结果。

Aug, 2023

提出了一种基于签名注意力的图变换器（SignGT），用于自适应地从图中捕获各种频率信息，并通过引入邻域偏置以保留局部拓扑信息学习信息节点表示。

Oct, 2023

本文中，我们提出了基于图注意力网络（GAT）的正负权网络的通用求解器 - Signed Graph Attention Network（SiGAT）。SiGAT 结合了图图形理论，将常规 GAT 表示和处理有正权重和无权重的网络扩展到对于有正权重和负权重都包含的网络。实验结果表明，SiGAT 在三个真实数据集上的表现优于基于特征和网络嵌入方法，以及现有的基于 GNN 的方法，如带符号图卷积网络（SGCN）。

Jun, 2019

本文提出了一种新的、高效且可扩展的图深度学习架构，通过使用不同尺寸的图卷积滤波器，绕过了图采样的必要性，从而允许极快速的训练和推理，同时在比对测试中展现了与其他最先进架构相竞争的表现，对于包含超过 1.1 亿个节点和 15 亿条边的公共图数据集 ogbn-papers100M 实现了最先进的结果。

Apr, 2020

本文提出了一种名为 RF-GNN 的随机森林增强图神经网络用于社交机器人检测，可通过使用图神经网络 (GNNs) 作为基础分类器构建随机森林，有效地结合了集成学习和 GNNs 的优势，以提高模型的准确性和鲁棒性。

Apr, 2023

本文研究使用现代深度学习技术自动学习 botnet 检测策略的神经网络设计挑战，通过在大规模真实网络中叠加不同通信模式的 botnet 连接来产生训练数据，使用图神经网络来检测集中式和分散式 botnet 的结构，实验结果表明，图神经网络比之前的非学习方法能更好地捕捉 botnet 结构，并且深层图神经网络对于学习复杂的 botnet 拓扑结构至关重要。

Mar, 2020

一个主要的挑战是在不平衡的图分类中学习表达图的表达性，并通过在多个尺度 - 子图、图和成对图上超采样得到的图内和图间语义学习达到这一目标。MOSGNN 通过联合优化子图级、图级和成对图级学习任务，学习镶嵌在少数类图中和图之间的鉴别性信息，从而显著优于五种最先进的模型，并提供一个通用框架，在其中可以轻松插入不同的先进的不对称学习损失函数，并获得明显的改进分类性能。

May, 2024

本研究提出了一种名为 MAGNN 的多尺度自适应图神经网络方法，用于预测多元时间序列中的内部变量相关性和跨变量相关性，通过多尺度金字塔网络和自适应图学习模块以及尺度级融合模块能够更好地处理不同时间尺度和相关性，实验证明，MAGNN 在多个数据集上都优于现有的方法。

Jan, 2022

本文针对工业设备故障诊断中的数据稀缺、复杂操作条件和各种故障类型等挑战，介绍了一种使用多尺度图卷积滤波（MSGCF）的故障诊断方法。该方法通过整合局部和全局信息融合模块，在图卷积滤波块内增强传统图神经网络（GNN）框架，有效地解决了过多层图卷积层导致的过度平滑问题，并保持了广泛的感受野。在少样本诊断方面，该方法降低了过拟合风险，增加了模型的表示能力。对帕德博恩大学轴承数据集进行的实验表明，所提出的 MSGCF 方法在准确性上优于其他方法，为少样本学习场景中的工业故障诊断提供了有价值的洞见。

May, 2024